论文阅读1-TFDNet
论文阅读-TFDNet
作者表示在看了这么多文章，发现现有模型没有充分学习time frequency信息，并且认为时域和频域的学习都相当重要。然后提出了这个模型叫做TIme-Frequency Enhanced Decomposed Network。
文章中还提到了一个channel wise effects的东西，简答查了一下，是从卷积的颗粒度来的，就是维度更小了
结构非常简单：
第一部分：预处理，分解序列并归一化 归一化采用了一种叫做可逆示例归一化的方法（RevIN） 论文链接：pdf (openreview.net)
分解公式比较简单，分成了趋势和季节趋势： 
AvgPool表示移动平滑操作，Padding使原时间序列长度保持不变
下面一层设计用来捕获两种分解的时间序列的多分辨率的时域特征和频域特征：
其\(S_1……S_n\)代表不同窗口的长度，也就是不同分辨率
STFT(短期傅里叶变换)：
\(X\)为归一化后的序列，\(Window\)是窗函数，用于将信号切分成较短的时间段，然后就看不太懂了
Time-frequency Block（TFB)：
设计了两种季节的TFB，分别应对不同的通道相关模式Frequency Feed Forward Network（Frequency-FFN)：全连接层，激活函数为Tanh Inverse STFT：
逆实例归一化预测
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 脱碳甲醛的博客！
评论
